Luận văn Thạc sĩ: Nghiên cứu mô hình học sâu và ứng dụng BIGDL cho bài toán nhận diện và phân loại nông sản

Tầm quan trọng của việc tự động hóa quá trình thu hoạch, phân loại và đánh giá chất lượng nông sản ngày càng trở nên cấp thiết trong bối cảnh nền nông nghiệp hiện đại, nơi các phương pháp thủ công còn tốn kém thời gian và công sức, hạn chế khả năng mở rộng sản xuất. Sự phát triển mạnh mẽ của năng lực tính toán và bùng nổ dữ liệu đã tạo ra những đột phá đáng kể trong lĩnh vực Học máy, đặc biệt là Học sâu (Deep Learning) và Thị giác máy tính. Các mô hình Học sâu đã chứng minh hiệu quả vượt trội trong Xử lý ảnh và nhận dạng đối tượng. Đề tài này tập trung nghiên cứu ứng dụng mô hình Học sâu, cụ thể là Mạng nơ-ron tích chập (CNNs), kết hợp với nền tảng BIGDL để phát triển một hệ thống tự động nhằm giải quyết bài toán nhận diện và phân loại nông sản, hướng tới mục tiêu nâng cao tốc độ và độ chính xác, góp phần tối ưu hóa quy trình sản xuất nông nghiệp.

Các nhà nghiên cứu, kỹ sư phần mềm, sinh viên trong lĩnh vực Khoa học máy tính, Trí tuệ nhân tạo, Học máy, Xử lý ảnh, và những người quan tâm đến ứng dụng công nghệ trong nông nghiệp.

Luận văn đi sâu vào giải quyết bài toán nhận diện và phân loại nông sản tự động, một thách thức quan trọng trong nông nghiệp hiện đại nhằm thay thế các quy trình thủ công kém hiệu quả. Nghiên cứu này trình bày một cách tiếp cận dựa trên Học sâu (Deep Learning) và Thị giác máy tính, khai thác hiệu quả các mô hình mạng nơ-ron tích chập (CNNs) để xử lý các đặc điểm phức tạp của nông sản. Một trong những trọng tâm chính là việc ứng dụng mã nguồn mở BIGDL trên nền tảng Apache Spark, cho phép xây dựng và triển khai các mô hình học sâu có khả năng mở rộng, xử lý dữ liệu lớn và tối ưu hiệu suất, đặc biệt phù hợp với các hệ thống phân tích dữ liệu phân tán. Bên cạnh việc giới thiệu tổng quan về các phương pháp nhận dạng vật thể và các khó khăn cố hữu, luận văn còn tập trung vào những thách thức riêng của bài toán nông sản, bao gồm sự đa dạng về chủng loại, đặc tính, kích thước, và các điều kiện môi trường biến đổi. Để giải quyết vấn đề này, nghiên cứu đề xuất các kỹ thuật chuẩn bị dữ liệu (như tăng cường dữ liệu ảnh) và lựa chọn mô hình CNNs phù hợp. Các thực nghiệm được tiến hành để đánh giá hiệu quả của phương pháp trên một bộ dữ liệu lớn gồm 40 loại nông sản phổ biến, với mục tiêu đạt được khả năng nhận diện và phân loại nhanh chóng và chính xác. Giá trị ứng dụng của công trình là rất lớn, cung cấp một giải pháp công nghệ để tự động hóa quy trình kiểm tra chất lượng, phân loại và quản lý nông sản, từ đó cải thiện năng suất, giảm thiểu tổn thất và nâng cao giá trị sản phẩm trong chuỗi cung ứng nông nghiệp.